DEFESA DE TESE DE DOUTORADO DENYS PESTANA VIANA
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA CELSO SUCKOW DA FONSECA
UNIVERSIDADE FEDERAL FLUMINENSE
DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO
DEPARTAMENTO DE PÓS-GRADUAÇÃO
COORDENADORIA DO PROGRAMA DE PÓS-GRADUAÇÃO EM INSTRUMENTAÇÃO E ÓPTICA APLICADA
A Coordenadoria do Programa de Pós-Graduação em Instrumentação e Óptica Aplicada tem a satisfação de
convidá-lo para assistir à
DEFESA DE TESE DE DOUTORADO
TÍTULO:
“ANÁLISE DE REGRESSÃO BASEADO EM APRENDIZADO DE MÁQUINA PARA A CARACTERIZAÇÃO DA SEVERIDADE DE FALHAS EM MOTORES DIESEL”
DENYS PESTANA VIANA
Este estudo visa identificar falhas em motores a diesel para aprimorar a manutenção preditiva. Desenvolvemos um modelo de simulação de falhas com base na análise das variações de pressão nos cilindros e na resposta de vibração torcional do virabrequim, criando uma base de dados pública. Utilizamos técnicas de processamento de sinais para extrair características de pressão, temperatura e vibração, aplicando-as em métodos de aprendizado de máquina como Perceptron multicamada (MLP), Random Forest (RF), Máquina de Vetores de Suporte (SVM) e Modelos de Regressão de Processo Gaussiano (GPRM). O GPRM apresentou o melhor desempenho na estimativa da severidade das falhas com um Root Mean Square Error (RMSE) de 0,015 ± 0,001%.
Nosso framework quantitativo combina processamento de sinais e técnicas de regressão para avaliar a condição de saúde do motor durante o processo de deterioração, ao invés de identificar apenas padrões específicos de falhas. A abordagem mostrou ser mais eficaz na prática, com a extração de parâmetros estatísticos dos sinais dos cilindros e a análise da resposta em frequência da vibração torcional, proporcionando uma predição rápida e precisa da severidade das falhas.
A análise em diferentes níveis de ruído branco destacou a robustez do GPRM, que foi o regressor mais estável com menor RMSE. Embora o SVM tenha se mostrado eficaz com baixo ruído, seu desempenho diminuiu com o aumento do nível de ruído, necessitando ajustes específicos. O random forest apresentou desempenho próximo ao GPRM em níveis de ruído entre 0 e 15 dB, mas com maior dispersão nos resultados da validação cruzada.
Banca Examinadora composta pelos Doutores:
Prof. Ph.D. Amaro Azevedo de Lima, Orientador, CEFET/RJ
Prof. Dr. Diego Barreto Haddad, Coorientador, CEFET-RJ
Profa. Dra. Ana Lucia Ferreira de Barros, CEFET/RJ
Prof. Dr. Felipe da Rocha Henriques, CEFET/RJ
Prof. Dr. Ulisses Admar Barbosa Vicente Monteiro, COPPE/UFRJ
Prof. Dr. Ricardo Homero Ramírez Gutiérrez, UEA
Local e data: 26 de junho de 2023 às 14h00 - Quarta-feira, na Sala de aula online – Plataforma Teams.
Redes Sociais